Conjunto de datos de puntos clave de manos#

26,677

Hand Keypoints

ultralytics

publicPose

Hand Keypoints is Rion Dsilva's pose dataset built from three credited gesture collections with MediaPipe annotations. Each image labels one hand with 21 landmarks and visibility, supporting articulated pose estimation across hand shapes, gestures, viewpoints, and backgrounds.

21 class297.5 MBSep 2, 2026

hand

posehandskeypoints+2

Introducción#

El conjunto de datos de puntos clave de manos de Ultralytics contiene 26.768 imágenes de manos anotadas con 21 puntos clave cada una, generadas mediante la biblioteca Google MediaPipe para lograr una gran precisión y coherencia. Es compatible con los formatos de Ultralytics YOLO26 para entrenar modelos de estimación de pose.

Puntos clave#

Cada mano está anotada con 21 puntos clave, distribuidos así:

1. Muñeca
2. Pulgar (4 puntos)
3. Dedo índice (4 puntos)
4. Dedo corazón (4 puntos)
5. Dedo anular (4 puntos)
6. Dedo meñique (4 puntos)

Estructura del conjunto de datos#

• Total de imágenes: 26.768 (18.776 de entrenamiento / 7.992 de validación).
• Clases: 1 (mano).
• Puntos clave: 21 por mano, en tripletas (x, y, visibility).
• Tamaño de descarga: ~369 MB.

Si necesitas un vocabulario de gestos personalizado, más allá de los puntos de referencia genéricos de la mano, Ultralytics Platform te permite etiquetar y entrenar tu propio conjunto de datos desde el navegador.

Aplicaciones#

Los puntos clave de las manos permiten varias aplicaciones del mundo real:

• Reconocimiento de gestos: interacción persona-ordenador e interfaces de control sin contacto.
• Controles de RA/RV: interacción precisa con objetos virtuales.
• Manipulación robótica: control preciso de manos robóticas.
• Atención sanitaria: análisis del movimiento de las manos para el diagnóstico médico.
• Animación: captura de movimiento para animar las manos de forma realista.
• Autenticación biométrica: sistemas de seguridad basados en la geometría de la mano.

YAML del conjunto de datos#

Se utiliza un archivo YAML para definir la configuración del conjunto de datos. Contiene información sobre las rutas, las clases y otros datos relevantes. En el caso del conjunto de datos de puntos clave de manos, el archivo hand-keypoints.yaml se mantiene en https://github.com/ultralytics/ultralytics/blob/main/ultralytics/cfg/datasets/hand-keypoints.yaml.

# Ultralytics 🚀 AGPL-3.0 License - https://ultralytics.com/license

# Hand Keypoints dataset by Ultralytics
# Documentation: https://docs.ultralytics.com/datasets/pose/hand-keypoints
# Example usage: yolo train data=hand-keypoints.yaml
# parent
# ├── ultralytics
# └── datasets
#     └── hand-keypoints ← downloads here (369 MB)

# Train/val/test sets as 1) dir: path/to/imgs, 2) file: path/to/imgs.txt, or 3) list: [path/to/imgs1, path/to/imgs2, ..]
path: hand-keypoints # dataset root dir
train: images/train # train images (relative to 'path') 18776 images
val: images/val # val images (relative to 'path') 7992 images

# Keypoints
kpt_shape: [21, 3] # number of keypoints, number of dims (2 for x,y or 3 for x,y,visible)
flip_idx: [0, 1, 2, 4, 3, 10, 11, 12, 13, 14, 5, 6, 7, 8, 9, 15, 16, 17, 18, 19, 20]

# Classes
names:
  0: hand

# Keypoint names per class
kpt_names:
  0:
    - wrist
    - thumb_cmc
    - thumb_mcp
    - thumb_ip
    - thumb_tip
    - index_mcp
    - index_pip
    - index_dip
    - index_tip
    - middle_mcp
    - middle_pip
    - middle_dip
    - middle_tip
    - ring_mcp
    - ring_pip
    - ring_dip
    - ring_tip
    - pinky_mcp
    - pinky_pip
    - pinky_dip
    - pinky_tip

# Download script/URL (optional)
download: https://github.com/ultralytics/assets/releases/download/v0.0.0/hand-keypoints.zip

Uso#

Para entrenar un modelo YOLO26n-pose con el conjunto de datos de puntos clave de manos durante 100 épocas y con un tamaño de imagen de 640, puedes utilizar los siguientes fragmentos de código. Consulta la página de entrenamiento del modelo para ver una lista completa de los argumentos disponibles.

from ultralytics import YOLO

# Cargar un modelo
model = YOLO("yolo26n-pose.pt")  # Carga un modelo preentrenado (recomendado para el entrenamiento)

# Entrenar el modelo
results = model.train(data="hand-keypoints.yaml", epochs=100, imgsz=640)

Imágenes de muestra y anotaciones#

El conjunto de datos de puntos clave de manos contiene una amplia variedad de imágenes de manos humanas anotadas mediante puntos clave. Aquí tienes algunos ejemplos de imágenes del conjunto de datos junto con sus anotaciones correspondientes:

• Imagen en mosaico: Esta imagen muestra un lote de entrenamiento compuesto por imágenes del conjunto de datos dispuestas en mosaico. El mosaico es una técnica que se utiliza durante el entrenamiento para combinar varias imágenes en una sola y aumentar la variedad de objetos y escenas de cada lote de entrenamiento. Esto ayuda a mejorar la capacidad del modelo para generalizar a distintos tamaños de objetos, relaciones de aspecto y contextos.

El ejemplo muestra la variedad y complejidad de las imágenes del conjunto de datos de puntos clave de manos y las ventajas de usar mosaicos durante el entrenamiento.

Citas y agradecimientos#

Si utilizas el conjunto de datos de puntos clave de manos en tu investigación o trabajo de desarrollo, cita las siguientes fuentes:

También queremos reconocer la contribución del creador de este conjunto de datos, Rion Dsilva, a la investigación en IA de visión.

Preguntas frecuentes#